Sztuczna inteligencja a uczenie maszynowe (ML) a głębokie uczenie — jaka jest różnica

W swoim codziennym życiu na pewno słyszałeś terminy: sztuczna inteligencja (AI), uczenie maszynowe (ML) i głębokie uczenie (DL). Być może zauważyłeś również, że terminy te są często używane zamiennie.

Ale czy te 3 są takie same? Czy możesz używać ich zamiennie? Dowiedzmy Się!

Już w 1955 roku, jeden z najwcześniejszych ojców chrzestnych sztucznej inteligencji, John McCarthy zdefiniował sztuczną inteligencję jako „naukę i inżynierię tworzenia inteligentnych maszyn, które mają zdolność osiągania celów, tak jak ludzie”. Następnie 4 lata później, w 1959 roku, Arthur Samuel opisał uczenie maszynowe jako rozległą poddziedzinę zajmującą się sztuczną inteligencją , „która daje komputerom możliwość uczenia się bez wyraźnego programowania”. Co to oznacza?

W uczeniu maszynowym po stworzeniu programu stopniowo uczy się, jak wykonywać inteligentne zadania wykraczające poza granice programowania – uczy się dzięki doświadczeniu i danych. Pod tym względem programy ML różnią się od programów specjalnie zaprojektowanych z predefiniowanym zestawem zachowań i celów.

Prawdopodobnie ten obrazek sprawi, że wszystko będzie dla Ciebie jaśniejsze:

Teraz przyjrzymy się dogłębnie sztucznej inteligencji, uczeniu maszynowemu i głębokiemu uczeniu oraz ich różnicom.

Sztuczna inteligencja a uczenie maszynowe

Mówiąc prościej, sztuczna inteligencja stara się projektować specjalne programy komputerowe i algorytmy, które pozwalają maszynom działać jak ludzie. Najczęstszym nieporozumieniem, jakie ludzie mają na temat sztucznej inteligencji, jest to, że jest to „system”. Prawda – AI nie jest systemem; jest to studium (jak wspomnieliśmy wcześniej „nauka i inżynieria”) dotyczące tego, jak trenować komputery do wykonywania zadań wykonywanych przez ludzi.

AI można podzielić na 3 typy:

• Wąska sztuczna inteligencja: Odnosi się do sztucznej inteligencji, która może zaprogramować maszyny do wykonywania określonych zadań, ale w znacznie lepszy sposób niż człowiek.
• Ogólna sztuczna inteligencja: Odnosi się do sztucznej inteligencji, która może wykonywać szereg intelektualnych/inteligentnych zadań z tym samym poziomem dokładności co człowiek.
• Aktywna sztuczna inteligencja: Być może najbardziej zaawansowana forma sztucznej inteligencji, aktywna sztuczna inteligencja może przewyższać ludzi w określonych zadaniach.

Ponieważ sztuczna inteligencja jest studium lub koncepcją rozwoju inteligentnych maszyn, musi mieć jakieś technologiczne środki, aby osiągnąć ten cel, prawda?

Jednym z tych sposobów jest uczenie maszynowe. Zaznacza nasze słowa tutaj, ML jest jednym ze sposobów, w jaki możemy zrealizować koncepcję AI. Według Toma Mitchella, eksperta ML na Carnegie Mellon University:

„Uczenie maszynowe to nauka o algorytmach komputerowych, które umożliwiają automatyczne ulepszanie programów komputerowych poprzez doświadczenie”.

W ten sposób osiągnięcie celu AI – stworzenie maszyn, które mogą uczyć się na podstawie doświadczenia i prób i błędów, tak jak robią to ludzie. Algorytmy ML żywią się danymi, aby się z nich uczyć. Za każdym razem, gdy do algorytmu wprowadzane są nowe dane wejściowe, dostosowuje on swoją reakcję na tę zmianę, aby wykonać nowe zadania. Klasycznym przykładem uczenia maszynowego jest silnik rekomendacji. Musiałeś to widzieć na platformach internetowych, takich jak Netflix i Amazon – na podstawie wyszukiwanych treści aplikacje te tworzą spersonalizowaną i niestandardową listę rekomendacji treści, które „chciałbyś” zobaczyć.

Kiedy sztuczna inteligencja była na najwcześniejszym etapie, celem naukowców i badaczy było stworzenie maszyn, które mogą wykonywać zadania wymagające inteligencji. Początkowo opracowali programy (zwróć uwagę, że programy są wymagane do realizacji planów AI), które mogą rozwiązywać podstawowe problemy logiczne i konkurować z ludźmi w grach takich jak szachy czy warcaby. Przykład: Deep Blue IBM, który pokonał mistrza świata Gary'ego Kasparowa w szachach.

To jeden z pierwszych przykładów sukcesu sztucznej inteligencji i nie trzeba dodawać, że wywołał ogromną falę ekscytacji wśród entuzjastów komputerów i technologii – był to początek świata z zupełnie nowymi możliwościami. Szybko do przodu do dnia dzisiejszego, spójrz na to, gdzie obecnie znajduje się sztuczna inteligencja – dzisiaj możemy pochwalić się prawdziwymi aplikacjami AI, takimi jak autonomiczny samochód Google, Robot Sophia, inteligentni wirtualni asystenci, tacy jak Siri firmy Apple i Alexa firmy Amazon, Smart Homes i IoT oraz dużo więcej. Wszystkie te wynalazki AI mają jedną wspólną cechę, która je napędza – algorytmy ML.

Uczenie maszynowe a uczenie głębokie

Tak jak ML jest podzbiorem sztucznej inteligencji, tak głębokie uczenie jest podzbiorem ML.

Istotą Deep Learning są sztuczne sieci neuronowe (ANN). Ponieważ cała idea sztucznej inteligencji polegała na naśladowaniu możliwości ludzkiego mózgu, stworzono sztuczne sieci neuronowe. Głębokie uczenie można uznać za ewolucyjną gałąź ML, w której sieci ANN są złożonymi sieciami niezrozumiałej ilości neuronów, głęboko połączonych ze sobą warstwami.

Sieci SSN mają na celu rozwiązywanie złożonych problemów, których nie potrafią tradycyjne algorytmy ML i proste sieci neuronowe. Nie dzieje się tak dlatego, że konwencjonalne sieci neuronowe są połączone w prosty sposób – nie są w stanie wykonać ciężkiego podnoszenia ciężarów ludzkiego mózgu, który ma ponad 86 miliardów neuronów, tworząc skomplikowany styl połączeń.

Teraz, jak powiedzieliśmy wcześniej, można powiedzieć, że głębokie uczenie jest podzbiorem uczenia maszynowego. Zasadniczo uczenie maszynowe polega na opracowywaniu modeli, które stopniowo stają się lepsze w wykonywaniu przydzielonych im zadań, ale nadal potrzebują pewnego rodzaju wskazówek. W przypadku, gdy algorytm ML zwróci niedokładny wynik, programiści muszą wkroczyć i wprowadzić niezbędne poprawki. Ale model głębokiego uczenia – ponieważ wykorzystuje sztuczne sieci neuronowe, które naśladują pracę ludzkiego mózgu – sam określa poprawność swoich przewidywań, bez potrzeby jakiejkolwiek interwencji człowieka.

Podsumowanie…

Powyższa dyskusja musiała wyjaśnić wiele pytań, które mogłeś mieć w związku ze sztuczną inteligencją, uczeniem maszynowym lub głębokim uczeniem. Zasadniczo cel końcowy dla wszystkich trzech technologii jest taki sam – uczynienie maszyn inteligentniejszymi. To trasa, którą obierają, sprawia, że ​​różnią się od siebie.

Jeśli nadal nie masz pewności, co jest, napisz do nas komentarz – zapewnimy Ci ochronę!